[发明专利]一种基于改进随机森林的轴承故障诊断方法及装置

说明书

本发明涉及机械故障诊断技术领域，具体涉及一种基于改进随机森林的轴承故障诊断方法及装置，首先采集轴承的故障振动数据从而确定训练集和测试集，然后将所述训练集输入原始随机森林算法进行训练，构建随机森林模型，继而将所述测试集中的测试样本输入所述随机森林模型进行测试，得到初步分类结果以及所述初步分类结果对应的投票比例，当所述投票比例高于预设的比例阈值时，将所述测试集中的测试样本分别输入邻近算法和支持向量机算法进行测试，根据输出的结果修正初步分类结果，得到修正分类结果以及所述修正分类结果对应的投票比例，以达到提高轴承故障诊断的正确率的目的。

技术领域

本发明涉及机械故障诊断技术领域，具体涉及一种基于改进随机森林的轴承故障诊断方法及装置。

背景技术

现有随机森林的投票机制是由若干个弱分类器进行投票，以大多数投票的类别作为最终分类结果。在投票的结果中，占大多数投票的类别，其投票数占总投票数的比例是不定的，当比例较低时，分类结果也倾向于不可靠或分类错误。因此，基于现有随机森林的轴承故障诊断正确率较低。

发明内容

本发明的目的在于提供一种基于改进随机森林的轴承故障诊断方法及装置，旨在提高轴承故障诊断的正确率。

为了实现上述目的，本发明提供以下技术方案：

一种基于改进随机森林的轴承故障诊断方法，包括以下步骤：

步骤S1、以设定频率采集轴承在一段时间内的故障振动数据；

步骤S2、根据所述振动数据确定训练集和测试集；

步骤S3、将所述训练集输入原始随机森林算法进行训练，构建随机森林模型：

步骤S4、将所述测试集中的测试样本输入所述随机森林模型进行测试，得到初步分类结果以及所述初步分类结果对应的投票比例；

步骤S5、判断所述投票比例是否高于预设的比例阈值，若是，执行步骤S6，若否，执行步骤S7；

步骤S6、将所述测试集中的测试样本分别输入邻近算法和支持向量机算法进行测试，根据输出的结果修正初步分类结果，得到修正分类结果以及所述修正分类结果对应的投票比例，并跳转到步骤S5；

步骤S7、将所述分类结果作为测试样本的最终结果分类。

进一步，所述步骤S1具体包括：

测取轴承在各种状态下的原始振动数据，所述各种状态包括轴承正常、轴承磨损、轴承断齿、轴承削齿、轴承裂纹。

进一步，所述步骤S3具体包括：

从所述训练集中随机有放回的采样选出m个样本，共进行n次采样，生成n个训练样本；

将n个训练样本分别训练得到n个决策树模型；

在每次分裂时选择最优特征对单个决策树模型进行分裂，直至节点的所有训练样本都属于同一类，所述最优特征为信息增益、信息增益比和基尼指数最优的特征；

将分裂完成的n个决策树模型组成随机森林模型。

进一步，所述步骤S6具体包括：

将所述测试样本输入邻近算法，得到第一结果，将所述测试样本输入支持向量机算法，得到第二结果；

结合所述初步分类结果与第一结果、第二结果，将所述测试样本投票次数最多的分类结果作为修正分类结果。

一种基于改进随机森林的轴承故障诊断装置，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在所述装置的以下模块中：